Optimisation combinatoire

Présentation au sujet: "Optimisation combinatoire"— Transcription de la présentation:

1 Optimisation combinatoire
intéresse de nombreux chercheurs problèmes difficiles à résoudre de manière exacte exemple : PVC méthodes traditionnelles (SÉP) coûteuses en termes de temps de calcul solution méthodes de résolution approximatives (heuristiques)

2 Heuristiques but 2 types
déterminer une approximation aussi près que possible de l’optimum d’un problème en un temps raisonnable 2 types méthodes constructives exemple : méthode du plus proche voisin pour le PVC très rapide qualité des solutions laisse à désirer

3 Heuristiques 2 types (suite) méthodes de recherche locale x0 x1 x2 x3
X : ensemble des solutions passage d’une solution x  X à une solution x’  N(x) F(x’) = min F(x’’), x’’  N(x) N(x) : ensemble de tous les voisins de x x’ : solution voisine de x x0 x1 x2 x3 x4 N(x0) N(x1) x5 N(x2) N(x3) N(x4) x x’

4 Heuristiques 2 types (suite) méthodes de recherche locale i j i j k k
exemple : méthode d’échange 2-opt pour le PVC retirer 2 arêtes (i, j) et (k, l) et les remplacer par les arêtes (i, k) et (j, l) plus puissantes que les méthodes constructives plus coûteuses en termes de ressources informatiques i j i j l k l k

5 Heuristiques carence des méthodes de recherche locale
incapables de progresser au-delà du premier optimum local rencontré Problème de minimisation coût solution initiale minimum local minimum global

6 Métaheuristiques heuristiques qui permettent de surmonter l’obstacle de l’optimalité locale Métaheuristiques Métaheuristiques simples Métaheuristiques de population Métaheuristiques constructives Métaheuristiques amélioratives Métaheuristiques constructives Métaheuristiques amélioratives GRASP recuit simulé recherche avec tabous recherche à voisinages variables colonies de fourmis algorithmes génétiques

7 Recuit simulé

8 1. Recuit simulé (RS) Metropolis et al. (1953)
phénomènes de recuit thermodynamique schéma de refroidissement Température (T) Itérations

9 Recuit simulé (RS) Pour un palier donné, la probabilité d’accepter un nouvel état est donnée par où E augmentation d’énergie T température k constante Si E  0, le nouvel état du système est accepté Si E > 0, le nouvel état est accepté avec probabilité p(E)

10 Simulation thermodynamique Optimisation combinatoire
Recuit simulé (RS) Analogies entre la simulation thermodynamique et l’optimisation combinatoire Simulation thermodynamique Optimisation combinatoire états du système solutions réalisables énergie fonction objectif changement d’état solution voisine température paramètre état stable minimum local

11 Recuit simulé (RS) Algorithme de RS Solution initiale x de coût F(x)
Tirer x’ au hasard dans N(x) Si F(x’)  F(x), accepter x’ comme nouvelle solution initiale et retourner à l’étape 1. Sinon, accepter x’ avec probabilité p(x’) Tirer au hasard un nombre r dans l’intervalle [0,1] Si r  p(x’), accepter x’ comme nouvelle solution initiale et retourner à l’étape 1. Sinon, répéter l’étape 2 avec un nouveau x’ tiré dans N(x).

12 Recuit simulé (RS) Différence entre une méthode de recherche locale et le RS Recherche locale solution courante x  X structure du voisinage N(x) types de transformations qui permettent de passer de x à x’  N(x) RS exploration de X n’est pas déterministe N(x) n’est pas entièrement évalué pour trouver le meilleur x’ x’ est tiré au hasard dans N(x) et on applique la règle de Metropolis et al.

13 Recuit simulé (RS) Remarques RS n’est pas bloqué par un optimum local
on peut accepter x’ même si F(x’) > F(x) Paramètres longueur des paliers (l1, l2, l3,…), température initiale (T0) critère d’arrêt (nombre d’itérations, stagnation) T0 l1 l2 l3 Itérations

14 Recuit simulé (RS) Remarques
seule métaheuristique pour laquelle il existe une preuve de convergence à l’optimum sous certaines hypothèses si T → 0 en même temps que le nombre d’itérations →  a suscité beaucoup d’intérêt fin 80’ et début 90’ à cause de la “convergence garantie” robuste et relativement efficace si structure de voisinage bien choisie facile à mettre en œuvre

15 Algorithmes Génétiques

16 2. Algorithmes génétiques (AG)
Fogel et al. (1966) inspirés des processus de sélection naturelle et évolution des espèces (Darwin) principes de base sélection reproduction mutation différents du RS et de la recherche avec tabous AG explorent X en analysant un groupe de solutions (population) et pas une solution unique

17 Algorithmes génétiques (AG)
idée de base combiner des solutions (parents) pour générer de nouvelles solutions (enfants) avec les bonnes caractéristiques des parents exempts de leurs mauvaises caractéristiques processus itératif une génération = une itération à chaque génération, la population courante est transformée à l’aide d’opérateurs génétiques sélection choix aléatoire des paires de parents qui se reproduiront reproduction 2 parents sont combinés → 2 enfants mutation altération aléatoire des enfants (faible probabilité) enfants mutés = nouvelle population

18 Algorithmes génétiques (AG)
Algorithme AG Trouver une population initiale Tant que le nombre maximum d’itérations n’est pas atteint, faire sélection des parents reproduction mutation et on garde en mémoire la meilleure solution rencontrée.

19 Algorithmes génétiques (AG)
Illustration des opérateurs (optimisation d’une fonction, n variables 0-1) sélection 2 solutions → 2 vecteurs de variables binaires A = ( ) B = ( ) reproduction (crossover à un point) une coupure choisie aléatoirement

20 Algorithmes génétiques (AG)
lllustration des opérateurs (optimisation d’une fonction, n variables 0-1) sélection 2 solutions → 2 vecteurs de variables binaires A = ( ) B = ( ) reproduction (crossover à un point) une coupure choisie aléatoirement

21 Algorithmes génétiques (AG)
lllustration des opérateurs (optimisation d’une fonction, n variables 0-1) sélection 2 solutions → 2 vecteurs de variables binaires A = ( ) B = ( ) reproduction (crossover à un point) une coupure choisie aléatoirement enfant 1 = ( ) enfant 2 = ( ) mutation inverser la valeur d’une variable tirée au hasard Exemple : enfant 1 : aucun changement enfant 2 : inverser la 3e variable ( )

22 Algorithmes génétiques (AG)
lllustration des opérateurs (optimisation d’une fonction, n variables 0-1) sélection 2 solutions → 2 vecteurs de variables binaires A = ( ) B = ( ) reproduction (crossover à 2 points) 2 coupures choisies aléatoirement

23 Algorithmes génétiques (AG)
lllustration des opérateurs (optimisation d’une fonction, n variables 0-1) sélection 2 solutions → 2 vecteurs de variables binaires A = ( ) B = ( ) reproduction (crossover à 2 points) 2 coupures choisies aléatoirement enfant 1 = ( ) enfant 2 = ( )

24 Algorithmes génétiques (AG)
À l’origine… milieu très dogmatique (intelligence artificielle) Solutions toujours représentées en vecteurs booléens ( …) toujours 2 enfants crossovers standards (aléatoires) → 1 points, 2 points, … mutation toujours présente résultats plutôt médiocres si on suit aveuglément le dogme coûteux en temps de calcul (population) problèmes de convergence prématurée vers des populations où tous les individus sont identiques

25 Algorithmes génétiques (AG)
Difficultés avec AG standards représenter la solution en vecteurs booléens pas approprié pour le PVC exemple : tournée sur 8 villes comment définir un crossover ayant du sens ? comment les combiner ? crossover 1 point ? x1 = ( ) x2 = ( ) 2 enfants: xA = ( ) xB = ( ) problème : xA et xB ne sont pas des solutions admissibles définir un bon crossover = bien modéliser le problème difficile, ne peut pas être laissé au hasard

26 Algorithmes génétiques (AG)
application directe rien ne guide la recherche vers des solutions valables les enfants sont souvent de très mauvaises solutions car combinaison aléatoire de 2 solutions solutions intensification : ajouter une méthode de recherche locale à la mutation pour améliorer la solution au lieu de la perturber aléatoirement introduire des concepts tirés d’autres approches efficaces exemple : recherche avec tabous bien modéliser le problème s’éloigner du dogme approches hybrides

27 Recherche avec tabous

28 3. Recherche avec tabous (RT)
métaheuristique qui contrôle et guide une heuristique interne de recherche locale adaptée au problème à résoudre pour lui permettre de transcender les optima locaux inspirée de l’intelligence artificielle (mémoire) Glover (1986) Indépendamment, Hansen (1986)

29 RT : principes de base poursuivre la recherche même s’il y a une dégradation de la valeur de la fonction-objectif risque de cycler solution : mémoriser le cheminement récent de la recherche interdire le retour vers des solutions déjà visitées (tabous) solution initiale minimum local minimum global

30 RT : espace des solutions et voisinage
RT est une généralisation des méthodes de recherche locale traditionnelles Définir l’espace des solutions X dans lequel s’effectuera la recherche. Exemples : PVC → ensemble de toutes les tournées localisation simple → ensemble de toutes les combinaisons de localisation 2. Définir les transformations locales permettant de modifier la solution courante x pour en obtenir une autre différente x’. x’ : solution voisine de x N(x) : - ensemble de tous les voisins de x obtenus suite à l’application d’une de ces transformations - voisinage de x - c’est un sous-ensemble de X

31 RT : mécanismes de tabous
mémoire à court terme du processus de recherche possibilités : liste des t dernières solutions visitées peu utilisé assez coûteux liste des t dernières transformations effectuées et on interdit la transformation inverse type de tabou le plus fréquent liste des caractéristiques des t dernières solutions ou transformations moins fréquent peut être très efficace

32 RT : exemples de tabous PVC avec voisinage de type 2-opt i j i j k k
2-opt constitue l’heuristique interne de l’algorithme de RT transformations : retirer les arêtes (i, j) et (k, l) et les remplacer par (i, k) et (j, l) tabous possibles : interdire les tournées elles-mêmes interdire la transformation inverse [(i, k), (j, l)] → [(i, j), (k, l)] interdit interdire toute transformation impliquant (i, k) ou (j, l) i j i j l k l k

33 RT : critère d’aspiration
but des tabous : empêcher de cycler mais ils peuvent être trop forts : solutions attrayantes sont interdites, et ce, même s’il n’y a pas de risque de cycler peuvent faire stagner la recherche solution : critère d’aspiration (ou fonction d’aspiration) mécanisme inverse qui permet de révoquer le statut TABOU d’une transformation si elle donne une solution intéressante elle n’introduit pas de risque de cycler possibilités : révoquer le tabou si cela améliore la meilleure solution rencontrée règle absolue : si pas de risque de cycler, ignorer le tabou

34 RT : algorithme générique
Soit le problème de minimiser F(x) pour x  X Posons x solution courante x* meilleure solution rencontrée T liste des tabous N(x) voisinage de x Initialiser Choisir une solution intiale x0  X. Poser x* = x0, x = x0 et T = . Tant que critère d’arrêt pas satisfait, faire Déterminer x’  N(x) tel que F(x’) = min F(x’’), x’’  N(x). Poser x = x’. Si F(x) < F(x*), alors poser x* = x. Mettre à jour T.

35 RT : critères d’arrêt critères d’arrêt les plus courants :
dès que la solution optimale est obtenue (si connue) ou une solution ayant une valeur prédéterminée après un certain nombre d’itérations (ou un certain temps de calcul) après un certain nombre d’itérations sans amélioration de la meilleure solution x*

36 RT probabiliste Dans la version standard de la RT solution avantages
la fonction F doit être évaluée pour chaque voisin de la solution courante x peut être très coûteux solution considérer un sous-ensemble N’(x)  N(x) choisi aléatoirement et choisir la prochaine solution dans N’(x) avantages plus rapide échantillon aléatoire : propriété anti-cyclage qui complète la liste des tabous on peut utiliser des listes plus courtes désavantages on peut manquer de bonnes solutions, voir même l’optimum

37 RT : intensification usage plus poussé de la mémoire idée comment ?
intensifier l’effort de recherche dans une région de X qui paraît prometteuse comment ? on arrête périodiquement le processus de recherche pour effectuer une phase d’intensification d’une durée limitée basée sur des concepts de mémoire à moyen terme notions de fréquence d’apparition de certaines caractéristiques possibilités fixer les bonnes caractéristiques des solutions biaiser la fonction F pour favoriser certains types de solutions augmenter la taille de l’échantillon (RT probabiliste) changer l’heuristique interne pour une heuristique plus puissante

38 RT : diversification lorsque le processus de recherche tend à rester dans une portion restreinte de X But : rediriger le processus de recherche vers d’autres régions de X, peu ou pas explorées jusque là Basée sur des concepts de mémoire à long terme notions de fréquence d’apparition de certaines caractéristiques possibilités redémarrages effectuer certaines transformations peu fréquentes et redémarrer le processus normal à partir de cette nouvelle solution diversification continue pénaliser transformations/caractéristiques fréquentes favoriser transformations/caractéristiques rares

39 RT : gestion dynamique des tabous
listes traditionnelles circulaires (FIFO) de longueur fixe désavantages listes de longueur fixe n’empêche pas toujours cycles bonne longueur : pas facile à déterminer nouvelles méthodes de gestion des tabous faire varier la longueur des listes en cours d’exploration étiquettes tabou aléatoires durée aléatoire tirée entre [Tmin, Tmax] à chaque transformation liste fixe mais on tire aléatoirement la longueur active de la liste indiquant quels tabous seront maintenus

40 RT : évaluation du voisinage
dans certains problèmes, la fonction F est très difficile à évaluer (ou très coûteuse) évaluation devient prohibitive solution utiliser une approximation de F pour évaluer le voisinage de x on ne calculera la vraie valeur de F que pour une transformation choisie ou petit sous-ensemble de candidats prometteurs si la plupart des voisins d’une solution ont la même valeur de F, comment en choisir un ? utiliser une fonction objectif auxiliaire qui mesurera un autre attribut désirable d’une solution

41 RT : modélisation efficace et gestion des contraintes
contraintes du problème pas toujours possible de tenir compte de toutes les contraintes lors de la définition de X et de N(x) voisinages difficiles à construire, recherche irrégulière → mauvais résultats solution : relaxer certaines contraintes voisinages plus simples → recherche plus efficace ajouter à la fonction F un terme qui permet de pénaliser la violation de la contrainte F(x) + (violation de la contrainte si X) où  : poids de la pénalité choix de  souvent ajusté automatiquement par l’algorithme augmenté si beaucoup de violations diminué si peu (ou pas) de violations

42 RT : conclusion RT est une approche qui repose sur des concepts simples à la base développer un algorithme de RT efficace n’est pas trivial quantité de composantes flexibilité disponible pour les adapter éléments critiques calibration des paramètres modélisation du problème choix de X choix de N(x) = choix de l’heuristique interne

43 RT : applications problèmes de graphes PTV ordonnancement finance
optimisation de fonctions continues gestion de portefeuille programmation mixte, dynamique, stochastique optimisation non-linéaire globale etc.

44 Résumé : Vue d’ensemble de RS, AG et RT
1. Construction : RS, AG et RT AG 2. Recombinaison : AG RS 3. Modification aléatoire : RS et AG RT 4. Amélioration : RT 5. Mise-à-jour de la mémoire : AG et RT 6. Mise-à-jour des paramètres : RS et RT Terminé? Non Oui Fin

45 Résumé : Vue d’ensemble de RS, AG et RT
Construction solution initiale x population initiale Recombinaison  reproduction Modification aléatoire x’ tiré au hasard dans N(x) et accepté avec probabilité p(x’) sélection et mutation RT probabiliste Amélioration recherche locale pour optimiser les enfants recherche locale pour améliorer x Mise-à-jour de la mémoire remplacement d’une génération liste tabou Mise-à-jour des paramètres paramètre T, longueur des paliers liste des tabous, longueur des listes, poids 